AI 助力可持续聚合物及复合材料 3D 打印优化研究综述

在制造业蓬勃发展的当下，3D 打印技术凭借其独特优势成为研究热点，而人工智能（AI）的融入更为其发展注入新活力。本综述聚焦 AI 在可持续聚合物及复合材料 3D 打印优化中的应用，深入剖析二者融合在材料选择、工艺优化、性能预测、设计改进及质量控制等方面的关键作用，并对环境影响进行评估，探讨面临的挑战与未来前景，为推动 3D 打印技术可持续发展提供全面参考。

关键词

3D 打印；人工智能；先进制造；可持续性；技术进步

一、引言

塑料污染已成为全球性环境难题，2021 年全球塑料产量超 3.9 亿吨，亚太地区贡献超 1.9 亿吨 ，包装行业塑料用量占比超 40%，但全球塑料回收率仅约 9% 。大量塑料垃圾流入海洋，对生态系统造成严重破坏。在此背景下，可持续聚合物和复合材料的应用成为应对塑料污染的关键。预计到 2028 年，全球可生物降解塑料市场规模将超 209 亿美元，年复合增长率达 21.3%，凸显环保材料的重要性。

3D 打印和 AI 作为两项具有变革性的技术，正重塑未来制造业格局。3D 打印能直接根据数字模型逐层制造复杂零部件，在小批量、定制化生产中优势显著。AI 则通过模拟人类认知功能，如感知、推理、学习和解决问题，提升各领域效率。二者融合在制造业掀起创新浪潮，不仅革新生产流程，还助力实现可持续发展目标。然而，当前对其融合在材料选择、预测建模、设计优化和质量控制等方面的综合研究仍显不足，因此，深入探讨二者协同作用对推动先进制造业发展意义重大。

二、3D 打印可持续聚合物及复合材料概述

2.1 可持续聚合物及复合材料的定义与分类

可持续聚合物可从多维度定义：由环保、可再生原料制成，具备可回收或环保处置方式；源于可再生材料，拥有闭环生命周期；满足消费和企业需求，且无健康、环境和经济负面影响。其主要分为天然聚合物（如纤维素、淀粉等）和合成生物基聚合物（如聚乳酸 PLA、聚羟基脂肪酸酯 PHA 等）。部分可持续聚合物可生物降解，如 PLA、PBS；部分则需合理的回收策略，如聚烯烃、PET 等。

可持续复合材料是含聚合物基体与增强纤维或颗粒的材料，旨在降低环境影响、促进生态平衡。其可持续性体现在使用环保原料、降低制造能耗、确保可回收或再利用等方面，还具备耐用、低毒等特性，符合循环经济理念。例如，天然纤维复合材料将麻、亚麻等纤维融入聚合物；生物复合材料结合天然纤维与生物基聚合物；木塑复合材料以木纤维增强聚合物，减少对合成材料的依赖。

通过使用可生物降解和可回收的聚合物实现可持续发展的3D打印

2.2 3D 打印对可持续发展的促进作用

3D 打印可持续聚合物及复合材料是实现环保生产的先进技术手段。通过选用可再生来源的可生物降解聚合物和回收聚合物，3D 打印制品可自然分解，减少填埋垃圾，降低生态影响；将回收聚合物或复合材料融入打印过程，构建闭环系统，减少原生材料需求，有效管理塑料垃圾。此外，3D 打印的定制化特性确保设计精准优化，减少材料浪费，在维持结构完整性的同时实现材料高效利用，推动产品全生命周期的可持续发展。

三、AI 在 3D 打印中的应用概述

3.1 AI 的发展历程与分类

1956 年，约翰・麦卡锡在达特茅斯研讨会上首次提出 “人工智能” 概念，标志其成为独立研究领域。AI 旨在让机器模拟人类智能过程，包括学习、推理和自我修正，可分为窄 AI（弱 AI）和通用 AI（强 AI）。窄 AI 专注特定任务，能力出色但通用性受限；通用 AI 具备人类般智能，可处理多领域任务，目前仍处于理论探索阶段。

AI 发展历经多个阶段：20 世纪 50 - 80 年代的符号 AI，聚焦逻辑规则和专家系统；80 - 90 年代的联结主义 AI，探索神经网络和并行处理；21 世纪头十年的统计 AI，机器学习和统计技术兴起；2010 年代至今的现代 AI，深度学习、强化学习和大规模数据处理取得突破。机器学习作为 AI 核心领域，通过学习算法训练模型识别模式、解决问题，主要学习范式包括监督学习、无监督学习和强化学习。

人工智能从诞生到 2023 年的历史

3.2 AI 在 3D 打印中的作用

在工业 4.0 时代，3D 打印数据量剧增，AI 尤其是机器学习在其中发挥关键作用。机器学习算法可优化打印参数，提升打印质量和效率；辅助选择可持续材料、设计复合材料配方；构建预测模型，深入研究聚合物和复合材料打印行为，实现实时调整，获取理想打印效果；用于质量控制和缺陷检测，确保 3D 打印部件质量一致性和可靠性，在航空航天等高标准领域至关重要。同时，机器学习赋能生成式设计和模拟，优化结构设计，提升有限元分析和计算流体动力学模拟效果。不过，AI 与 3D 打印融合也面临数据获取、实时反馈、硬件兼容等诸多挑战。

四、AI 驱动的 3D 打印工艺优化

4.1 工艺优化的重要性

优化 3D 打印工艺对实现高效、高质量、低成本生产意义重大。精准调整打印参数，如速度、温度、层厚等，可减少材料浪费和制造成本，提高时间效率，满足快速周转需求；改善打印产品表面质量、尺寸精度和层间附着力，提升整体质量；实现参数定制，精确打印复杂几何形状和精细设计；确保与不同材料兼容，避免变形，提高材料利用率；提高能源效率、设备利用率，推动 3D 打印技术广泛应用。

4.2 优化策略与案例

为应对 3D 打印参数优化难题，研究人员提出多种策略。Oberloier 等人开发 “PSO Experimenter” 平台，运用粒子群优化算法优化回收低密度聚乙烯 3D 打印，大幅降低生产成本和参数优化时间 。Ganitano 等人设计低成本熔融沉积建模 3D 打印机的自主校准系统，利用元启发式算法和计算机视觉技术，实现复杂模型打印参数优化，提高打印精度 。

此外，Abdollahi 等人提出专家引导优化策略，结合专家经验和实时反馈优化参数，增强算法通用性；Rojek 等人运用人工神经网络预测 3D 打印过程中的电耗和空气污染，为可持续生产提供决策支持；Kumar 等人采用基于鲸鱼优化算法的人工神经网络，优化 FDM 工艺参数，降低表面粗糙度、体积误差和生产时间；Phogat 等人利用遗传算法和人工神经网络预测和优化 PLA 材料的磨损率，确定最佳打印参数组合 。在缺陷检测方面，Yang 等人结合迁移学习和集成学习，提高 3D 打印部件图像缺陷检测精度；Albahkali 和 Fouly 等人运用自适应神经模糊推理系统优化 PLA 复合材料的生物医学性能，提升材料硬度、抗压性和耐磨性。

这些研究虽取得显著成果，但在方法局限性和可扩展性方面仍需深入探讨，以适应不同材料、打印机和实际生产场景。

五、基于 AI 的 3D 打印材料选择

AI 技术显著提升 3D 打印材料选择的科学性和精准性。AI 系统可构建并维护庞大的材料数据库，实时更新各类 3D 打印材料的性能参数、适用工艺及兼容性信息 。机器学习算法能依据打印条件预测材料性能，如模拟不同温度、速度下材料的机械行为，为工艺优化提供依据；综合考量成本、环境影响等因素，筛选出最适宜的材料，降低生产成本和环境负荷 。同时，AI 通过收集和分析打印物体的实际性能数据，形成反馈回路，不断优化材料选择模型，实现材料选择的个性化定制，满足特定应用需求。

Xue 等人运用机器学习技术，通过变分自动编码器和生成对抗网络自动选择设计参数，控制弹性模量，成功优化多材料 3D 打印结构 。Rojek 等人利用人工神经网络和遗传算法，优化 FDM 工艺制备 3D 打印手部外骨骼部件的材料选择，使 PLA + 材料在弹性方面表现卓越，优化后的部件实现了拉伸力与轻量化的平衡。

六、基于 AI 的预测建模提升 3D 打印性能

6.1 打印参数优化与性能预测

理解 3D 打印的最佳参数对提升打印部件性能至关重要。Teharia 等人运用人工神经网络评估多种打印参数对 PLA 拉伸强度的影响，通过田口实验设计确定关键参数，优化得到最佳参数组合，显著提高拉伸强度 。Ali 等人采用田口方法和人工神经网络预测 FDM 打印 PLA 部件的拉伸强度，对比不同优化器效果，确定最优参数 。Deb 等人利用人工神经网络研究多个参数对打印部件属性的影响，开发多个模型预测拉伸强度、表面粗糙度和尺寸精度，得到各属性的最佳参数。

6.2 材料性能模拟与预测

准确模拟和预测 3D 打印材料的机械性能，有助于优化打印工艺、实现预期材料性能。Grozav 等人构建人工神经网络预测模型，模拟 FDM 打印 PLA 的力学行为，精确预测拉伸强度，为数值模拟提供可靠材料模型 。Jatti 等人优化打印参数，提高 PLA 部件的拉伸、冲击和弯曲强度，并建立数学模型预测性能 。Moradi 等人运用人工神经网络和遗传算法优化 PLA 打印部件生产，考虑厚度偏差、成本和韧性等因素，确定最佳参数，凸显混合算法优势。

此外，Jayasudha 等人对比多种监督学习模型预测 3D 打印部件的拉伸强度，发现 XGBoost 算法性能最佳 。Tura 等人结合人工神经网络和模糊逻辑预测 3D 打印结果，分析各参数影响，人工神经网络预测精度更高 。Charalampous 等人运用机器学习回归算法预测不同打印条件下的拉伸强度，KNN 模型表现最优 。Cai 等人利用响应面法、人工神经网络和随机森林优化 3D 打印连续苎麻纤维增强聚丙烯复合材料的参数，提高材料强度和成型效率。

这些研究表明，AI 在 3D 打印预测建模中作用显著，不同模型和算法各有优劣，需根据具体应用选择合适方法。

七、AI 辅助 3D 打印设计与几何优化

7.1 AI 驱动的设计创新

AI 驱动的设计和几何优化为多领域带来创新变革。生成式设计借助 AI 快速生成多种设计方案，拓扑优化可优化几何形状，提高结构完整性、减轻重量。与传统方法相比，AI 辅助设计可缩短设计迭代时间 30 - 50%，减轻部件重量 10 - 50%，降低制造成本 6 - 20% 。同时，AI 还能实现自动化模拟和测试，减少对物理原型的依赖。

Sangeun 等人运用生成模型优化工程设计，综合考量工程性能和美学因素，评估设计新颖性，构建回归模型解决数据不足问题 。Yao 等人提出混合机器学习算法，为 3D 打印概念设计推荐特征，提高设计效率，减少设计时间和人力成本 。Yao 等人还利用多目标遗传算法和知识专家系统，优化 3D 打印工艺设置，平衡成本与灵活性，适用于多种 3D 打印技术。

7.2 拓扑优化与性能提升

在拓扑优化领域，Kumar 等人通过 3D 扫描辅助参数化建模和 ANSYS Workbench 优化定制夹板拓扑结构，提高散热性能，减轻夹板重量 。Rade 等人提出基于深度学习的拓扑优化方法，利用卷积神经网络和多网格技术，减少计算时间，成功打印复杂模型 。Rasulzade 等人运用基于卷积神经网络的拓扑优化方法，减少 3D 打印结构材料用量，保持结构刚度 。Saleh 等人利用自适应神经模糊推理系统预测 3D 打印 TPMS 结构性能，优化材料和设计，提高结构力学性能 。

Pollák 和 Török 运用生成优化设计技术，对办公椅塑料靠背进行设计优化，减少材料消耗 。Grozav 等人开发人工神经网络预测模型，为有限元分析建立材料模型，验证材料性能预测准确性 。Fouly 等人研究 3D 打印 PLA - 枣核复合材料在矫形应用中的性能，利用有限元分析和人工神经网络评估力学性能，提高材料机械性能预测精度。

这些研究展示了 AI 在 3D 打印设计和几何优化中的显著成效，推动产品设计向高效、高性能方向发展。

八、基于 AI 的 3D 打印质量控制与缺陷检测

AI 技术的融入推动 3D 打印质量控制和缺陷检测取得显著进展。AI 驱动的算法能有效识别 3D 打印物体的缺陷，检测率超 80% 。通过训练机器学习模型，可精准识别层错位、孔隙、不规则等常见缺陷，并利用实时监测功能在打印过程中及时发现缺陷，减少材料浪费和时间成本，在航空航天、医疗等对精度要求极高的领域至关重要，有助于提高 3D 打印部件质量和可靠性。

Paraskevoudis 等人运用基于 AI 的计算机视觉技术识别 3D 打印缺陷，可实时调整打印参数或暂停打印，减少废品率 。Sharma 等人利用决策树预测 FDM 打印不同几何形状的尺寸变化，为优化打印工艺提供依据 。Westphal 等人运用先进机器学习算法分析环境传感器数据，实现 FDM 工艺质量实时评估和过程监控 。Kadam 等人构建计算机视觉系统，结合机器学习算法和集成学习技术，早期检测 3D 打印缺陷，提高表面缺陷检测精度 。

此外，Scheffel 等人强调环境传感器参数在监测和分类中的重要性，对比多种机器学习架构，确定适用于实时评估的模型 。Delli 等人开发 Python 代码，结合图像处理和支持向量机，实时检测 3D 打印部件质量 。Straub 等人设计基于可见光成像的系统，检测 3D 打印机材料使用错误，保障大规模生产质量 。Nascimento 等人提出基于 AI 计算机视觉的质量评估方法，适用于 FDM 打印部件批量生产质量检测。

Lyu 和 Manoochehri 开发在线激光监测和闭环控制系统，确保 3D 打印部件几何精度和表面质量 。Chen 等人提出原位点云处理方法，用于 3D 打印表面缺陷检测，提高检测精度 。Sarabi 等人利用机器学习预测 3D 打印微针阵列质量，评估皮肤穿透能力和药物递送潜力 。Charalampous 等人构建视觉实时监测系统，检测 3D 打印尺寸误差，实现自动化质量保证 。Kumar 等人提出分层故障检测方法，运用支持向量机和集成学习技术，提高 3D 打印故障检测精度 。Rachmawati 等人开发数字孪生系统，结合轻量级卷积神经网络，实现 FDM 3D 打印机实时故障监测和反馈 。Kumar 等人对比多种机器学习算法进行 3D 打印机异常检测，发现长短期记忆网络精度最高。

这些研究成果展示了 AI 在 3D 打印质量控制和缺陷检测中的强大能力，为提高 3D 打印产品质量提供了有效手段。

九、环境影响评估

制造业在推动经济发展的同时，也带来诸多环境问题。为应对这些挑战，制造商积极采用节能技术，AI 和机器学习在其中发挥重要作用。机器学习可分析制造过程数据，优化能源管理，提高能源效率，为可持续制造提供决策支持 。借助工业 4.0 技术，如物联网传感器、数据分析和云计算，可实现经济高效的能源监测，精准识别能源消耗模式，为改进生产流程、降低能耗提供依据。

Kumar 等人开发机器学习算法，识别 FDM 打印过程中的增值、非增值和必要非增值能源，通过实验训练模型，准确分类能源消耗数据，为用户提供节能建议 。El idrissi 等人运用神经网络预测 FDM 打印的能耗和时间，对比多种机器学习算法，确定最优模型，为成本优化提供参考 。Rojel 等人利用人工神经网络优化 3D 打印肘部外骨骼设计，减少材料浪费和能耗，实现轻量化和高效生产。

生命周期评估（LCA）是评估产品或过程环境影响的标准化方法。Kumar 等人提出基于信息物理生产系统的 3D 打印产品实时 LCA 框架，通过实时监测和优化，降低环境影响 。Rojek 等人构建人工神经网络评估 3D 打印的电力消耗和空气污染，为可持续生产提供数据支持 。这些研究表明，机器学习和 LCA 相结合，有助于实现制造业可持续发展，减少温室气体排放，推动绿色生产。

十、挑战与未来展望

10.1 面临的挑战

AI 与 3D 打印融合虽前景广阔，但仍面临诸多挑战。AI 算法需具备更强适应性，以兼容多样的 3D 打印材料和技术，开发实时学习和自适应算法是关键 。伦理问题，如数据保护和 AI 合理使用，需制定行业标准和伦理框架加以规范 。数据有限和材料相互作用复杂，制约 AI 模型训练和性能提升，全球合作与信息共享迫在眉睫 。此外，实现 AI 集成 3D 打印技术的经济可行性和广泛可及性，还需深入规划和技术创新。

10.2 未来机遇

未来，AI 将为 3D 打印带来众多机遇。先进的生成式设计算法可创造更复杂、优化的结构，推动产品设计创新 。AI 对大量数据的快速分析能力，有助于实现 3D 打印产品个性化定制，满足消费者多样化需求 。在环保方面，AI 可优化 3D 打印工艺，减少材料浪费，促进可持续材料使用，降低生态足迹 。结合工业 4.0 原则，AI 集成 3D 打印将实现智能制造，通过实时监测和数据驱动决策，提高生产效率和质量。为把握这些机遇，需加强合作创新，积极应对伦理挑战，推动 AI 与 3D 打印融合技术持续发展。

十一、结论

本综述全面探讨了 AI 在 3D 打印技术中的重要作用。优化打印参数对提升 3D 打印质量、降低成本、提高效率至关重要，机器学习技术如人工神经网络、粒子群优化算法等在参数优化中成效显著，有效降低生产成本、缩短打印时间 。在缺陷检测方面，迁移学习和集成学习结合展现强大优势，提高检测精度，减少材料和时间浪费。

AI 在设计和几何优化领域成果斐然，尤其在生成式设计和拓扑优化方面，大幅缩短设计迭代时间、降低制造成本，基于深度学习的方法能应对复杂优化任务 。同时，AI 在预测 3D 打印材料机械性能、优化结构性能方面表现出色，提高产品质量和可靠性。

在质量控制和缺陷检测方面，AI 驱动的方法显著提升检测精度，减少废品率，在关键行业保障产品质量 。此外，AI 在制造业可持续发展中作用突出，助力优化能源效率、推动环保制造，神经网络模型在预测能耗、优化打印参数方面发挥重要作用。

原始文献：

Malik Hassan, Manjusri Misra, Graham W. Taylor, Amar K. Mohanty, A review of AI for optimization of 3D printing of sustainable polymers and composites, Composites Part C: Open Access, Volume 15, 2024, 100513, ISSN 2666-6820,

https://doi.org/10.1016/j.jcomc.2024.100513.